SPSS教程：手把手教你设置哑变量以及解读结果
今天我們將結合SPSS軟件，向大家介紹在回歸模型中何如實現(xiàn)啞變量的設置，并對引入啞變量后的模型結果進行解讀。
Logistic /Cox回歸
在SPSS中，Logistic回歸和Cox回歸設置啞變量的方式是一致的，因此本文以Logistic回歸為例進行說明。
一、研究實例
某研究人員擬探討不同種族人群中某疾病發(fā)病風險有無差異，收集了4種不同種族人群的相關數(shù)據(jù)資料（1=Black美國黑人，2=White美國白人，3=Indian美國印第安人，4=Asian亞裔美國人）。
根據(jù)數(shù)據(jù)類型判斷，種族為無序多分類資料，需要將種族轉化為啞變量后，進行Logistic回歸。
二、SPSS操作
1. Analyze → Regression → Binary Logistic，進入到Logistic回歸模塊
?
?
2. 將Event選入Dependent框中，將Gender、Age、Race選入Covariates框中
?
?
3. 點擊Categorical進入定義分類變量的對話框，將需要轉化的變量Race選入Categorical Covariates框中，點擊Contrast旁的下拉框選擇Indicator，Reference Category設置為First，即設定第一個分類為參照。
在本次研究中，Race=1為黑人，即我們選擇黑人作為參照。最后再點擊Change確認更改為Race（Indicator（first））。
?
?
?
在選擇啞變量編碼方式時，Contrast下拉選項一共提供了7種編碼方式：
(1)?Indicator（指示對比）：用于指定某一分類為參照，指定的參照取決于Reference Category中選擇Last還是First，即只能以該變量的第一類或者最后一類作為參照。Indicator為默認方法，也是我們最常用的設置參照類的方法。
(2)?Simple（簡單對比）： Simple和Indicator兩個方法雖然參數(shù)編碼不同，但其實質是一樣的，均為各分類分別與參照進行相比。
(3)?Difference（差異對比）：即該分類變量的某個分類，與前面所有分類的平均值進行比較，此法與Helmert法相反，因此也叫做反Helmert法。此選項常用于有序分類變量。
(4)?Helmert（赫爾默特對比）：即該分類變量的某個分類，與其后面所有分類的平均值進行比較，同樣也適用于有序分類變量。
(5)?Repeated（重復對比）：即該分類變量的各個分類，均與前面相鄰的一個分類進行比較，此時前一分類為參照。
(6)?Polynomial（多項式對比）：它假設各個分類間隔是等距的，只能用于數(shù)值型的變量。（注意：如果此時原始變量為字符型，例如A、B、C、D，在SPSS中使用該方法時它會提示Polynomial contrasts may not be specified for string variables。而對于其他6種方法是允許原始變量是字符型，SPSS可以將其自動轉化為0或1形式的啞變量。）
(7)?Deviation（偏差對比）：即除參照外，其余每一個分類都與總體水平相比，此時每個分類的回歸系數(shù)都是相對于總體水平而言的改變量。
4. 點擊Continue回到主對話框，再點擊OK完成操作。
?
三、結果解讀
?
?
1. 結果顯示， SPSS將 Race自動轉化為3個啞變量，分別為Race(1) (2) (3)，代表白人、印第安人和亞裔人，參照為黑人。在α=0.05的檢驗水準下，Race(1) (2) (3) 回歸系數(shù)檢驗P值均<0.05，提示白人、印第安人和亞裔種族某疾病的發(fā)生風險均與黑人種族之間存在統(tǒng)計學差異。
2. 白人、印第安人和亞裔相對于黑人種族，其OR值和95% CI分別為0.247(0.102, 0.598)、0.181(0.070, 0.466)、0.132(0.049, 0.357)，提示白人、印第安人和亞裔人中該疾病的發(fā)生風險均顯著低于黑人種族。
多重線性回歸
針對多重線性回歸，我們需要通過重新編碼的方式，先將其轉換為啞變量，然后再帶入到回歸模型中。
?
一、研究實例
?
仍然以上面的研究實例進行介紹，某研究人員擬探討不同種族人群中BMI有無差異，收集了4種不同種族人群的相關數(shù)據(jù)資料（1=Black美國黑人，2=White美國白人，3=Indian美國印第安人，4=Asian亞裔美國人）。
根據(jù)數(shù)據(jù)類型判斷，種族為無序多分類資料，需要將種族轉化為啞變量后，進行多重線性回歸。
二、SPSS操作
方法一
1. Transform → CreateDummy Variables
將需要轉換為啞變量的Race因素選入CreateDummy Variables for中，在Root Names(One Per SelectedVariable)框中輸入轉換后的啞變量名Race_，并點擊OK完成操作
注意：使用SPSS軟件自帶的創(chuàng)建啞變量的功能，原始變量有n個分類，就會產生n個啞變量，例如Race為4分類，系統(tǒng)自動生成4個啞變量。在構建多重線性回歸模型時，需要確定其中一個啞變量作為參照，然后把剩余n-1個啞變量帶入到模型中。
方法二
1. Transform → Recode into Different Variables
?
將需要轉換為啞變量的Race因素選入Numeric Variable->Output Variable框中，在Name框中輸入轉變的第一個啞變量名字Race1，并點擊Change進行命名
?
2. 點擊Old and New Values進入重新編碼的對話框
在Old Value中的Value框中填寫1，在New Value中的Value框中填寫1，并點擊Add添加，得到1->1。
?
?
然后選擇Old Value中的All other values，在New Value中的Value框中填寫0，并點擊Add添加，得到ELSE->0
?
?
上述步驟表示將原有變量Race中第1分類，在啞變量Race1中賦值為1，將其他所有分類在啞變量Race1中賦值為0。
按照同樣的方法，我們可以生成Race2和Race3，共3個啞變量。如果覺得生成3個啞變量很麻煩，我們可以進入程序編輯頁面，編寫一條簡單的程序進行重新編碼賦值，如下圖所示。
?
?
賦值完成后，我們就可以在數(shù)據(jù)視圖界面看到新生成的3個啞變量。啞變量生成好后，我們就可以開始進行多重線性回歸了。
?
?
3. Analyze → Regression → Linear
?
?
將BMI選入Dependent框中，將Race1、Race2、Race3、Gender和Age一同選入Independent（s）框中，Method選擇Enter法，點擊OK完成操作。
?
?
三、結果解讀
?
?
1. 我們通過重新編碼將Race轉化為3個啞變量，分別為Race1、2、3，代表黑人、白人和印第安人，此時參照為亞裔人。在α=0.05的檢驗水準下，Race1、2、3回歸系數(shù)檢驗P值均<0.05，提示黑人、白人和印第安人的BMI均與亞裔人之間存在統(tǒng)計學差異。
2. 黑人、白人和印第安人與亞裔人相比，其β值和95% CI分別為1.543(0.163, 2.923)、2.331(0.996, 3.665)、1.585(0.208, 2.963)，提示黑人、白人和印第安人的BMI要顯著高于亞裔人。
設置啞變量時的注意事項
1.?原則上啞變量在模型中應同進同出，也就是說在一個模型中，如果同一個分類變量的不同啞變量，出現(xiàn)了有些啞變量有統(tǒng)計學顯著性，有些無統(tǒng)計學顯著性的情況下，為了保證所有啞變量代表含義的正確性，應當在模型中納入所有的啞變量。
因此，我們在引入啞變量進入模型時，需選擇Enter強制進入法，以保證所有啞變量都能保留在最后的模型中。
2.?被選為參照的那一類分組，應該保證有一定的樣本量。如果參照組樣本量太少，則將會導致其他分類與參照相比時，參數(shù)估計的標準誤較大，可信區(qū)間較大，精度降低，會出現(xiàn)估計參數(shù)極大或極小的現(xiàn)象。
?
END
?
總結
以上是生活随笔為你收集整理的SPSS教程：手把手教你设置哑变量以及解读结果的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： java查询mongodb数据_从mon
- 下一篇： UNIX网络编程第三版